TWI758134B - 依據元件識別資料使用圖形特徵二次檢測之系統及方法 - Google Patents
依據元件識別資料使用圖形特徵二次檢測之系統及方法 Download PDFInfo
- Publication number
- TWI758134B TWI758134B TW110109609A TW110109609A TWI758134B TW I758134 B TWI758134 B TW I758134B TW 110109609 A TW110109609 A TW 110109609A TW 110109609 A TW110109609 A TW 110109609A TW I758134 B TWI758134 B TW I758134B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- detection
- component
- target
- identification data
- Prior art date
Links
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Electric Connection Of Electric Components To Printed Circuits (AREA)
Abstract
一種依據元件識別資料使用圖形特徵二次檢測之系統及方法,其透過取得表面黏著裝置焊接在目標電路板上之電子元件的元件識別資料後,依據元件識別資料取得未通過光學檢測之目標元件的標準影像特徵,並產生目標元件之檢測影像的檢測影像特徵,及依據檢測影像特徵與標準影像特徵使用檢測模型判斷目標元件是否通過檢測之技術手段,可以在印刷電路板上使用替代電子元件時有效判斷替代電子元件之焊接狀況,並達成提高光學檢測之準確率並減少人力成本的技術功效。
Description
一種光學檢測系統及其方法,特別係指一種依據元件識別資料使用圖形特徵二次檢測之系統及方法。
工業4.0(Industry 4.0),又稱為第四次工業革命,其並不是單單創造新的工業技術,而是著重於將現有的工業技術、銷售流程與產品體驗統合,透過人工智慧技術建立具有適應性、資源效率和人因工程學的智慧工廠,並在商業流程及價值流程中整合客戶以及商業夥伴,以提供完善的售後服務,進而建構出一個有感知意識的新型智慧型工業世界。
隨著工業4.0的浪潮襲捲全球,製造業者無不以智能製造優化生產轉型,提升競爭力。智慧製造是架構在感測技術、網路技術、自動化技術、與人工智慧的基礎上,透過感知、人機互動、決策、執行、與回饋的過程,來實現產品設計與製造、企業管理與服務的智慧化。
而電子組裝業薄利多銷、產品價格競爭激烈的特性,讓業者追求對原物料及生產工具更有效的管控與最佳化,促使工廠生產資源效益最大化。舉例來說,目前在電子組裝業裡經常使用的各種技術中的一種即是表面黏著技術(Surface-Mount Technology, SMT),也就是由表面黏著裝置(通常也被稱為貼片機或黏著機)通過釺焊將電阻、電容、電晶體、積體電路等電子元件與印刷電路板(Printed circuit Board, PCB)形成電氣連接,使得電子元件貼裝於印刷電路板上。藉由使用表面黏著技術可以增加組裝印刷電路板的整體速度。
另一方面,由於電子元件的微小化及密度增加,電子元件在印刷電路板上的焊接不良的可能性因而隨之提高,所以,在使用表面黏著技術製造印刷電路板的過程中,焊接狀況的偵測已經變成必要的一環。其中,自動光學檢測(Automated Optical Inspection, AOI)為偵測焊接狀況的代表性手法,其運用機器視覺裝置取得待檢測物品的表面狀態,再以電腦影像處理技術來檢測焊接生產中常遇到的瑕疵,作為改良傳統上以人力使用光學儀器進行檢測的缺點。
更詳細的,在如「第1圖」所示之產線上,當印刷電路板110抵達貼片機(表面黏著裝置130)時,貼片機會在印刷電路板110的表面焊接電子元件,在通過貼片機之印刷電路板110抵達光學檢測裝置150時,光學檢測裝置150會通過攝影鏡頭掃描印刷電路板110,擷取印刷電路板110的測試影像,並透過影像處理技術比對測試影像中之印刷電路板110上的電子元件與資料庫中之對應電子元件的合格參數,藉以檢測印刷電路板110上是否存在異物或焊接不良等缺陷,之後,光學檢測裝置150可以輸出印刷電路板110的測試影像,如此,透過顯示裝置(圖中未示)顯示測試影像或自動在測試影像上標記,便可以把印刷電路板110上的缺陷顯示或標示出來,提供維修人員修整。
但實際上,貼片機在將電子元件焊接在印刷電路板上時,若有電子元件缺料,則貼片機可能會在印刷電路板上焊接可以替代的其他電子元件,此時,由於印刷電路板並未更換,光學檢測裝置在檢測印刷電路板時,將會繼續使用缺料之電子元件的參數對替換後的電子元件進行檢測,如此,印刷電路板上替換後的電子元件往往無法通過光學檢測。
綜上所述,可知先前技術中長期以來一直存在表面黏著裝置使用替代電子元件時光學檢測裝置將無法有效判斷替代電子元件之焊接狀況的問題,因此有必要提出改進的技術手段,來解決此一問題。
有鑒於先前技術存在表面黏著裝置使用替代電子元件時光學檢測裝置將無法有效判斷替代電子元件之焊接狀況的問題,本發明遂揭露一種依據元件識別資料使用圖形特徵二次檢測之系統及方法,其中:
本發明所揭露之依據元件識別資料使用圖形特徵二次檢測之系統,至少包含:模型建立模組,用以使用圖形特徵辨識演算法產生檢測模型;資料載入模組,用以取得目標電路板上之電子元件之元件識別資料;影像載入模組,用以取得目標元件之檢測影像,目標元件為電子元件中未通過光學檢測之任電子元件;特徵取得模組,用以依據目標元件之元件識別資料取得目標元件之標準影像特徵,及用以產生檢測影像之檢測影像特徵;元件檢測模組,用以依據檢測影像特徵與標準影像特徵使用檢測模型判斷目標元件是否通過檢測。
本發明所揭露之依據元件識別資料使用圖形特徵二次檢測之方法,其步驟至少包括:使用圖形特徵辨識演算法產生檢測模型;取得目標電路板上之電子元件之元件識別資料;取得目標元件之檢測影像,目標元件為電子元件中未通過光學檢測之電子元件;依據目標元件之元件識別資料取得目標元件之標準影像特徵;產生檢測影像之檢測影像特徵;依據檢測影像特徵與標準影像特徵使用檢測模型判斷目標元件是否通過檢測。
本發明所揭露之系統與方法如上,與先前技術之間的差異在於本發明透過取得表面黏著裝置焊接在目標電路板上之電子元件的元件識別資料後,依據元件識別資料取得未通過光學檢測之目標元件的標準影像特徵,並產生目標元件之檢測影像的檢測影像特徵,及依據檢測影像特徵與標準影像特徵使用檢測模型判斷目標元件是否通過檢測,藉以解決先前技術所存在的問題,並可以達成提高光學檢測之準確率並減少人力成本的技術功效。
以下將配合圖式及實施例來詳細說明本發明之特徵與實施方式,內容足以使任何熟習相關技藝者能夠輕易地充分理解本發明解決技術問題所應用的技術手段並據以實施,藉此實現本發明可達成的功效。
本發明可以取得被焊接在電路板上之電子元件的元件識別資料,藉以依據未通過光學檢測之電子元件的元件識別資料取得未通過光學檢測之電子元件的標準影像特徵,並依據標準影像特徵與未通過光學檢測之電子元件的檢測影像特徵對未通過光學檢測之電子元件進行第二次檢測。
本發明所提之標準影像特徵與檢測影像特徵是使用卷積神經網路(Convolutional Neural Network, CNN)分別對未通過光學檢測之電子元件的標準影像及檢測影像計算所產生的資料,通常以向量的方式表示。其中,檢測影像為包含未通過光學檢測之電子元件的影像,標準影像為包含相同電子元件且可通過光學檢測的影像。另外,本發明所提之卷積神經網路包含但不限於Alexnet、VGG等。
以下先以「第2圖」本發明所提之依據元件識別資料使用圖形特徵二次檢測之系統架構圖來說明本發明的系統運作。如「第2圖」所示,本發明之系統應用在二次檢測裝置200中,含有模型建立模組210、資料載入模組220、影像載入模組230、特徵取得模組250、元件檢測模組260。
模型建立模組210負責使用圖形特徵辨識演算法產生檢測模型。 本發明所提之圖形特徵辨識演算法包含但不限於Triplet loss/Contrastive loss/Margin loss、Pairwise Ranking loss等損失函數(或損失公式),也就是說,模型建立模組210可以透過呼叫上述損失函數(或損失公式)產生檢測模型。
舉例來說,模型建立模組210可以取得一定數量之某個電子元件的標準影像及同一電子元件通過光學檢測之樣本影像(在本發明中被稱為「正樣本影像」),並可以取得同一電子元件未通過光學檢測之樣本影像(在本發明中被稱為「負樣本影像」),接著,模型建立模組210可以使用卷積神經網路計算標準影像、正樣本影像與負樣本影像的影像特徵(如直接使用卷積神經網路計算或呼叫特徵取得模組250計算),並可以使用所計算出之標準影像的影像特徵、正樣本影像的影像特徵及負樣本影像的影像特徵(在本發明中亦分別被稱為「標準影像特徵」、「正樣本影像特徵」、「負樣本影像特徵」)對圖形特徵辨識演算法進行訓練(如持續將標準影像特徵、正樣本影像特徵、負樣本影像特徵輸入到Triplet loss損失函數,使得模型建立模組210不斷調整Triplet loss損失函數的margin常數),直到圖形特徵辨識演算法判斷標準影像特徵與正樣本影像特徵間的歐式距離(歐基里德距離)小於門檻值且標準影像特徵與負樣本影像特徵間之歐式距離大於同一門檻值時,便可以完成檢測模型的建立。其中,上述門檻值通常是能夠在上述訓練過程中確定的數值。
資料載入模組220負責讀取目標電路板上之多個電子元件之元件識別資料。本發明所提之目標電路板即為通過貼片機(表面黏著裝置130)與光學檢測裝置150檢測之印刷電路板110;元件識別資料與電子元件具有一對一的對應關係,能夠表示相對應的電子元件,可以由任意數量的文字、數字、字母、符號任意排列而成。
資料載入模組220可以連線到在目標電路板上焊接電子元件的貼片機(表面黏著裝置130),並由貼片機下載焊接在目標電路板上之所有電子元件的元件資訊;資料載入模組220也可以連線到特定的中繼裝置(圖中未示),例如伺服器等,並由中繼裝置下載貼片機焊接在目標電路板上之所有電子元件的元件資訊。其中,元件資訊包含元件識別資料及安裝位置資料,本發明所提之安裝位置資料可以表示電子元件在目標電路板上之位置。
影像載入模組230負責讀取目標元件的元件識別資料及檢測影像。在本發明中,目標元件為目標電路板上之所有電子元件中未通過光學檢測的任何電子元件。
影像載入模組230可以接收對目標電路板進行自動光學檢測之光學檢測裝置150所輸出的測試記錄,並可以由所接收到之測試記錄中讀出目標元件的元件識別資料與檢測影像;影像載入模組230也可以連線到接收並儲存光學檢測裝置150所輸出之測試記錄的中繼裝置(圖中未示),並由中繼裝置下載測試記錄所包含之目標元件的元件識別資料與檢測影像。其中,光學檢測裝置150所輸出的測試記錄可以包含目標電路板的測試影像及未通過光學檢測之目標元件的元件識別資料,其中,測試影像為光學檢測裝置所輸出之涵蓋整個目標電路板的影像。另外,測試記錄還可以包含目標元件的測試位置資訊或檢測影像,上述之測試位置資訊可以表示目標元件在測試影像中的位置及大小,例如,目標元件之對角在測試影像中的座標,又如,目標元件特定頂點在測試影像中的座標及長度與寬度。
在部分的實施例中,若測試記錄沒有包含檢測影像,影像載入模組230還可以在接收到光學檢測裝置150所輸出的測試記錄後,由測試記錄中讀出目標元件的元件識別資料與測試位置資訊,並可以依據測試位置資訊,由測試記錄所包含之測試影像中擷取出目標元件的檢測影像。
影像載入模組230也可以建立對應所取得之目標元件的元件識別資料與檢測影像的資料表,藉以提供特徵取得模組250使用,但本發明並不以此為限。其中,影像載入模組230所建立之資料表中的每一筆資料包含一個元件識別資料與相對應之電子元件的檢測影像。
特徵取得模組250負責依據影像載入模組230所取得之目標元件的元件識別資料取得目標元件的標準影像特徵。舉例來說,特徵取得模組250可以由影像載入模組230所建立之資料表中讀出目標元件的元件識別資料,並可以由預先建立的影像資料中讀取與所讀出之元件識別資料對應之目標元件的標準影像特徵。
在部分的實施例中,若預先建立的影像資料中沒有包含目標元件的標準影像特徵,而只包含目標元件的標準影像,特徵取得模組250也可以依據目標元件之元件識別資料讀取目標元件的標準影像,並可以使用卷積神經網路對所讀出之標準影像進行計算以產生目標元件的標準影像特徵。
特徵取得模組250也負責產生影像載入模組230所取得之檢測影像的檢測影像特徵。例如,特徵取得模組250可以由影像載入模組230所建立之資料表中讀出目標元件的檢測影像,並可以使用卷積神經網路對所讀出之檢測影像進行計算以產生目標元件的檢測影像特徵。
元件檢測模組260負責依據特徵取得模組250所取得之檢測影像特徵與標準影像特徵使用模型建立模組210所建立之檢測模型判斷目標元件是否通過檢測。
接著以一個實施例來解說本發明的運作系統與方法,並請參照「第3A圖」本發明所提之依據元件識別資料使用圖形特徵二次檢測之方法流程圖。在本實施例中,假設本發明應用在二次檢測裝置200上。其中,二次檢測裝置200設置在產線中,二次檢測裝置200的作業順序排列於光學檢測裝置150之後。
首先,在二次檢測裝置200開始檢測印刷電路板上的電子元件前,模型建立模組210可以先使用圖形特徵辨識演算法產生檢測模型(步驟310)。在本實施例中,假設開發人員可以預先挑選一定數量之各個電子元件的標準影像、正樣本影像及負樣本影像,並可以將所挑選出之各個電子元件的標準影像、正樣本影像及負樣本影像提供給模型建立模組210,使得模型建立模組210可以透過特徵取得模組250取得標準影像的標準影像特徵、正樣本影像的正樣本影像特徵、及負樣本影像的樣本影像特徵,接著,模型建立模組210可以使用Triplet loss損失函數比對在特徵空間中標準影像特徵與正樣本影像特徵的歐式距離及標準影像特徵與負樣本影像特徵的歐式距離,並持續調整margin常數,如此不斷重複,直到Triplet loss損失函數所計算出之標準影像特徵與正樣本影像特徵的歐式距離小於門檻值(假設為1.1),且標準影像特徵與負樣本影像特徵的歐式距離大於門檻值,及可以完成檢測模型的建立。
在模型建立模組210產生檢測模型後,二次檢測裝置200即可以在產線中被使用。在產線上,印刷電路板110將先抵達貼片機(表面黏著裝置130)而被貼片機依據預先設定之裝設資訊將多個電子元件焊接在印刷電路板110上,之後,資料載入模組220可以取得貼片機焊接在目標電路板上之電子元件的元件識別資料(步驟320)。在本實施例中,假設資料載入模組220可以連線到貼片機,並可以接收貼片機焊接在目標電路板上之電子元件的元件識別資料。
在印刷電路板110通過貼片機後,印刷電路板110將抵達光學檢測裝置150,光學檢測裝置150可以透過自動光學檢測對被焊接於印刷電路板110上的電子元件進行測試並產生相對應的測試記錄。
在印刷電路板110通過光學檢測裝置150後,若印刷電路板110上有任何電子元件沒有通過光學檢測裝置150所進行的光學檢測,則光學檢測裝置150所產生的測試記錄將可以包含印刷電路板110的測試影像及印刷電路板110上未通過光學檢測之目標元件的元件識別資料。
在印刷電路板110通過光學檢測裝置150後,影像載入模組230可以由光學檢測裝置150所輸出之測試記錄中取得未通過光學檢測之目標元件的檢測影像(步驟330)。在本實施例中,假設光學檢測裝置150所輸出之測試記錄中已包含目標元件的檢測影像,影像載入模組230可以由測試記錄中讀出目標元件的元件識別資料與檢測影像;而若光學檢測裝置150所輸出之測試記錄中未包含目標元件的檢測影像,則影像載入模組230可以如「第3B圖」之流程所示,先讀取光學檢測裝置150所輸出之測試記錄(步驟331),並由測試記錄中讀出目標元件的元件識別資料與測試位置資訊,及依據所讀出之測試位置資料由測試記錄所包含的測試影像中擷取出檢測影像(步驟335)。另外,影像載入模組230也可以將所讀出之元件識別資料與所取得之檢測影像做為一筆資料寫入資料表中。
在影像載入模組230取得目標元件的檢測影像後,特徵取得模組250可以依據目標元件的元件識別資料取得目標元件的標準影像特徵(步驟350)。在本實施例中,若開發人員已預先建立目標元件之元件識別資料與標準影像特徵的對應表,則特徵取得模組250可以直接由對應表中讀取與元件識別資料對應的標準影像特徵;而若開發人員僅預先儲存目標元件的標準影像,則特徵取得模組250可以如「第3C圖」之流程所示,在由影像載入模組230所建立之對應目標元件之元識別資料與標準影像的資料表中取得目標元件的元件識別資料(步驟340、351)後,先依據所取得之元件識別資料讀取目標元件的標準影像(步驟353),並使用卷積神經網路對所讀取出之標準影像進行計算以產生標準影像特徵(步驟355)。
同樣在影像載入模組230取得目標元件的檢測影像後,特徵取得模組250也可以產生影像載入模組230所取得之檢測影像的檢測影像特徵(步驟360)。與上述相似的,特徵取得模組250可以使用卷積神經網路對檢測影像進行計算以產生檢測影像特徵。
在特徵取得模組250取得標準影像特徵並產生檢測影像特徵後,元件檢測模組260可以依據特徵取得模組250所取得之標準影像特徵及所產生之檢測影像特徵使用模型建立模組210所產生之檢測模型判斷目標元件是否通過檢測(步驟370)。在本實施例中,檢測模型可以計算標準影像特徵與檢測影像特徵的歐式距離,並依據歐式距離是否小於門檻值判斷目標元件是否通過檢測。
如此,當貼片機(表面黏著裝置130)在印刷電路板110上焊接替代電子元件而導致光學檢測裝置150判斷替代之電子元件沒有通過光學檢測時,透過本發明便可以更精確的判斷沒有通過光學檢測之替代的電子元件是否通過檢測。
綜上所述,可知本發明與先前技術之間的差異在於具有取得表面黏著裝置焊接在目標電路板上之電子元件的元件識別資料後,依據元件識別資料取得未通過光學檢測之目標元件的標準影像特徵,並產生目標元件之檢測影像的檢測影像特徵,及依據檢測影像特徵與標準影像特徵使用檢測模型判斷目標元件是否通過檢測之技術手段,藉由此一技術手段可以來解決先前技術所存在表面黏著裝置使用替代電子元件時光學檢測裝置將無法有效判斷替代電子元件之焊接狀況的問題,進而達成提高光學檢測之準確率並減少人力成本的技術功效。
再者,本發明之依據元件識別資料使用圖形特徵二次檢測之方法,可實現於硬體、軟體或硬體與軟體之組合中,亦可在電腦系統中以集中方式實現或以不同元件散佈於若干互連之電腦系統的分散方式實現。
雖然本發明所揭露之實施方式如上,惟所述之內容並非用以直接限定本發明之專利保護範圍。任何本發明所屬技術領域中具有通常知識者,在不脫離本發明所揭露之精神和範圍的前提下,對本發明之實施的形式上及細節上作些許之更動潤飾,均屬於本發明之專利保護範圍。本發明之專利保護範圍,仍須以所附之申請專利範圍所界定者為準。
110:印刷電路板
130:表面黏著裝置
150:光學檢測裝置
200:二次檢測裝置
210:模型建立模組
220:資料載入模組
230:影像載入模組
250:特徵取得模組
260:元件檢測模組
步驟310:使用圖形特徵辨識演算法產生檢測模型
步驟320:取得目標電路板上之電子元件之元件識別資料
步驟330:取得未通過光學檢測之目標元件之檢測影像
步驟331:讀取光學檢測裝置所輸出之測試記錄,測試記錄包含測試影像及目標元件之測試位置資訊
步驟335:依據目標元件之測試位置資訊由測試影像中擷取出目標元件之檢測影像
步驟340:建立對應目標元件之元件識別資料及檢測影像之資料表
步驟350:依據目標元件之元件識別資料取得目標元件之標準影像特徵
步驟351:由資料表中讀出目標元件之元件識別資料
步驟353:依據目標元件之元件識別資料讀取目標元件之標準影像
步驟355:使用卷積神經網路對標準影像計算以產生標準影像特徵
步驟360:產生檢測影像之檢測影像特徵
步驟370:依據檢測影像特徵與標準影像特徵使用檢測模型判斷目標元件是否通過檢測
第1圖為習知之產線示意圖。
第2圖為本發明所提之依據元件識別資料使用圖形特徵二次檢測之系統架構圖。
第3A圖為本發明所提之依據元件識別資料使用圖形特徵二次檢測之方法流程圖。
第3B圖為本發明所提之取得檢測影像之方法流程圖。
第3C圖為本發明所提之產生標準影像特徵之方法流程圖。
步驟310:使用圖形特徵辨識演算法產生檢測模型
步驟320:取得目標電路板上之電子元件之元件識別資料
步驟330:取得未通過光學檢測之目標元件之檢測影像
步驟350:依據目標元件之元件識別資料取得目標元件之標準影像特徵
步驟360:產生檢測影像之檢測影像特徵
步驟370:依據檢測影像特徵與標準影像特徵使用檢測模型判斷目標元件是否通過檢測
Claims (10)
- 一種依據元件識別資料使用圖形特徵二次檢測之方法,係應用於一二次檢測裝置,該方法至少包含下列步驟:取得一目標電路板上之多個電子元件之元件識別資料;取得一目標元件之一檢測影像,該目標元件為該些電子元件中未通過光學檢測之任一電子元件;依據該目標元件之元件識別資料取得該目標元件之一標準影像特徵;取得通過光學檢測之一正樣本影像及未通過光學檢測之一負樣本影像,並提取該正樣本影像與該負樣本影像之影像特徵;使用該標準影像特徵、該正樣本影像特徵及該負樣本影像特徵對一圖形特徵辨識演算法進行訓練,直到該標準影像特徵與該正樣本影像特徵間之歐式距離小於一門檻值且該標準影像特徵與該負樣本影像特徵間之歐式距離大於該門檻值,藉以產生一檢測模型;使用卷積神經網路(Convolutional Neural Network,CNN)對該檢測影像計算所產生之向量資料做為該檢測影像之一檢測影像特徵;及使用該檢測模型計算該檢測影像特徵與該標準影像特徵之歐式距離,並依據所計算出之歐式距離是否小於該門檻值判斷該目標元件是否通過檢測。
- 如請求項1所述之依據元件識別資料使用圖形特徵二次檢測之方法,其中取得該目標元件之該檢測影像之步驟更包含依據一光學檢測裝置所輸出之一測試記錄中所包含之該目標元件之一測試位置資訊,由該測試記錄所包含之一測試影像中擷取出該檢測影像之步驟。
- 如請求項1所述之依據元件識別資料使用圖形特徵二次檢測之方法,其中該方法於取得該目標元件之該檢測影像之步驟後更包含建立對應該目標元件之元件識別資料及該檢測影像之一資料表之步驟。
- 如請求項1所述之依據元件識別資料使用圖形特徵二次檢測之方法,其中依據該目標元件之元件識別資料取得該目標元件之該標準影像特徵之步驟為由一資料表中讀出該目標元件之元件識別資料,並依據該目標元件之元件識別資料讀取預先建立之一標準影像,並使用卷積神經網路對該標準影像計算以產生該標準影像特徵。
- 如請求項1所述之依據元件識別資料使用圖形特徵二次檢測之方法,其中取得該目標電路板上之多個電子元件之元件識別資料之步驟為連線到一表面黏著裝置或一中繼裝置以取得該表面黏著裝置焊接在該目標電路板上之該些電子元件之元件識別資料。
- 一種依據元件識別資料使用圖形特徵二次檢測之系統,係應用於一二次檢測裝置,該系統至少包含:一資料載入模組,用以取得一目標電路板上之多個電子元件之元件識別資料;一影像載入模組,用以取得一目標元件之一檢測影像,該目標元件為該些電子元件中未通過光學檢測之任一電子元件;一特徵取得模組,用以依據該目標元件之元件識別資料取得該目標元件之一標準影像特徵,及用以使用卷積神經網路對該檢測影像計算所產生之向量資料做為該檢測影像之一檢測影像特徵; 一模型建立模組,用以取得通過光學檢測之一正樣本影像及未通過光學檢測之一負樣本影像,並提取該正樣本影像與該負樣本影像之影像特徵,及用以使用該標準影像特徵、該正樣本影像特徵及該負樣本影像特徵對一圖形特徵辨識演算法進行訓練,直到該標準影像特徵與該正樣本影像特徵間之歐式距離小於一門檻值且該標準影像特徵與該負樣本影像特徵間之歐式距離大於該門檻值,藉以產生一檢測模型;及一元件檢測模組,用以使用該檢測模型計算該檢測影像特徵與該標準影像特徵之歐式距離,並依據所計算出之歐式距離是否小於該門檻值判斷該目標元件是否通過檢測。
- 如請求項6所述之依據元件識別資料使用圖形特徵二次檢測之系統,其中該影像載入模組更用以依據一光學檢測裝置所輸出之一測試記錄中所包含之該目標元件之一測試位置資訊,由該測試記錄所包含之一測試影像中擷取出該檢測影像。
- 如請求項6所述之依據元件識別資料使用圖形特徵二次檢測之系統,其中該影像載入模組更用以建立對應該目標元件之元件識別資料及該檢測影像之一資料表。
- 如請求項6所述之依據元件識別資料使用圖形特徵二次檢測之系統,其中該特徵取得模組更用以由該資料表中讀出該目標元件之元件識別資料,並依據該目標元件之元件識別資料讀取預先建立之一標準影像,及使用卷積神經網路對該標準影像計算以產生該標準影像特徵。
- 如請求項6所述之依據元件識別資料使用圖形特徵二次檢測之系統,其中該資料載入模組是連線到一表面黏著裝置或一中繼裝置以取得該表面黏著裝置焊接在該目標電路板上之該些電子元件之元件識別資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110109609A TWI758134B (zh) | 2021-03-17 | 2021-03-17 | 依據元件識別資料使用圖形特徵二次檢測之系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110109609A TWI758134B (zh) | 2021-03-17 | 2021-03-17 | 依據元件識別資料使用圖形特徵二次檢測之系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI758134B true TWI758134B (zh) | 2022-03-11 |
TW202238447A TW202238447A (zh) | 2022-10-01 |
Family
ID=81710704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110109609A TWI758134B (zh) | 2021-03-17 | 2021-03-17 | 依據元件識別資料使用圖形特徵二次檢測之系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI758134B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110692134A (zh) * | 2019-06-14 | 2020-01-14 | 深圳市汇顶科技股份有限公司 | 芯片封装结构和电子设备 |
CN111145175A (zh) * | 2020-01-10 | 2020-05-12 | 惠州光弘科技股份有限公司 | 一种基于iForest模型验证的SMT焊点缺陷检测方法 |
CN112053318A (zh) * | 2020-07-20 | 2020-12-08 | 清华大学 | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 |
-
2021
- 2021-03-17 TW TW110109609A patent/TWI758134B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110692134A (zh) * | 2019-06-14 | 2020-01-14 | 深圳市汇顶科技股份有限公司 | 芯片封装结构和电子设备 |
CN111145175A (zh) * | 2020-01-10 | 2020-05-12 | 惠州光弘科技股份有限公司 | 一种基于iForest模型验证的SMT焊点缺陷检测方法 |
CN112053318A (zh) * | 2020-07-20 | 2020-12-08 | 清华大学 | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 |
Also Published As
Publication number | Publication date |
---|---|
TW202238447A (zh) | 2022-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2018025481A (ja) | 表面実装ラインの検査装置及び品質管理システム | |
US20210027105A1 (en) | Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof | |
TWI715051B (zh) | 機器學習方法及應用機器學習方法的自動光學檢測設備 | |
KR101991170B1 (ko) | 인쇄 회로 기판의 결함 분류 장치 및 방법 | |
US20230262903A1 (en) | Inspection and production of printed circuit board assemblies | |
CN113971654A (zh) | 焊点检测模型训练方法、焊点检测方法及焊点检测装置 | |
TW202104879A (zh) | 影像辨識裝置、影像辨識方法及其電腦程式產品 | |
JP2007285880A (ja) | 基板検査における見本画像の登録方法および見本画像作成装置 | |
CN117589770A (zh) | Pcb贴片板检测方法、装置、设备及介质 | |
JP4454428B2 (ja) | 部品エッジ検出方法、部品エッジ検出プログラム及び検査装置 | |
TWI758134B (zh) | 依據元件識別資料使用圖形特徵二次檢測之系統及方法 | |
TWI732296B (zh) | 依據標準值建立檢測模型以確認焊接狀態之系統及方法 | |
US20050274802A1 (en) | Circuit board inspection apparatus | |
US20230298155A1 (en) | Information processing apparatus and information processing method | |
JP2003110298A (ja) | 実装部品検査方法および装置ならびに検査プログラム | |
CN115968189A (zh) | 一种smt贴片生产状况可视化展示方法、设备及介质 | |
CN115131264A (zh) | 依据元件识别数据使用图形特征二次检测的***及方法 | |
JP2007017311A (ja) | 外観検査システム | |
EP4165592A1 (en) | System and method for tracing components of electronic assembly | |
JP2008218737A (ja) | 画像処理装置 | |
CN117078620B (zh) | Pcb焊点缺陷检测方法、装置、电子设备和存储介质 | |
Anitha et al. | Solder Joint Defect Detection in PCBA Chip Components Based on the Histogram Analysis | |
CN116993654B (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 | |
CN111542218B (zh) | 一种电能表可信生产贴片环节采集验证方法及*** | |
JP4419778B2 (ja) | 基板検査装置並びにそのパラメータ設定方法およびパラメータ設定装置 |